Prediksi Risiko Keterlambatan Issue dan Early Warning Dinamis pada Proyek Perangkat Lunak dengan CatBoost

Arief Wicaksana, Rifqi (2026) Prediksi Risiko Keterlambatan Issue dan Early Warning Dinamis pada Proyek Perangkat Lunak dengan CatBoost. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (593kB)
	PDF BAB_I.pdf Download (214kB)
	PDF BAB_II.pdf Download (256kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (397kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (335kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (224kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (210kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (763kB)
	Archive (ZIP) 00000073943_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Ketepatan penyelesaian issue memengaruhi perencanaan sprint, rilis, pemanfaatan sumber daya, dan koordinasi tim proyek perangkat lunak. Penelitian ini membangun dan mengevaluasi model prediksi risiko keterlambatan serta early warning dinamis pada horizon Day-1, Day-7, dan Day-30 menggunakan CatBoost. Data berasal dari The Public Jira Dataset dalam format dump MongoDB. Data dibersihkan dari duplikat, divalidasi melalui penggabungan satu-ke-satu, lalu dibentuk menjadi snapshot yang memuat metadata Jira, fitur proses, dan histori assignee yang hanya menggunakan issue terdahulu yang telah selesai sebelum batas observasi. Data dibagi secara temporal menjadi 64% data latih, 16% data validasi, dan 20% data uji. Model menggunakan iterations=700, learning rate=0,05, depth=6, dan random seed=42, ambang keputusan dipilih berdasarkan F1-score terbaik pada data validasi. ROC-AUC dan Average Precision dapat dihitung pada Day-1 dan Day-7. Pada Day-30, evaluasi diskriminatif target risiko durasi tinggi tidak dapat dilakukan karena data uji hanya memuat kelas negatif, analisis Day-30 kemudian dilakukan melalui target estimasi waktu tersisa. Pada Day-7, Model D memperoleh ROC-AUC 0,8054, Average Precision 0,0751, dan F1-score 0,0744, sedangkan Model C memperoleh recall tertinggi sebesar 0,4167. Untuk estimasi waktu tersisa, model proses meningkatkan F1-score dari 0,6926 menjadi 0,7316 pada target lebih dari 30 hari dan dari 0,4996 menjadi 0,5196 pada target lebih dari 90 hari. Uji McNemar menunjukkan perbedaan pola kesalahan yang signifikan pada kedua target. Peningkatan F1-score pada kedua target estimasi waktu tersisa menunjukkan kontribusi fitur proses, sedangkan klasifikasi risiko durasi tinggi tetap dibatasi oleh ketidakseimbangan kelas dan pergeseran distribusi temporal.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Arief Wicaksana, Rifqi (00000073943)
Contributors:	Wahjudi, Januar (0330017201)
Keywords:	CatBoost, early warning, fitur proses, Jira, prediksi keterlambatan
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	22 Jul 2026 08:00
URI:	https://kc.umn.ac.id/id/eprint/47854

Actions (login required)

View Item